基于文本挖掘的教學(xué)設(shè)計能力需求研究

郭杰譽(yù)

摘? ?要：教育改革、在線教育、STEM教育的不斷發(fā)展，對教育工作者的教學(xué)設(shè)計能力提出了新的要求，如何識別這些要求，成為教學(xué)設(shè)計領(lǐng)域不可忽視的問題。該研究從市場真實(shí)數(shù)據(jù)入手，采用文本挖掘技術(shù)分析教學(xué)設(shè)計能力需求，包括：根據(jù)現(xiàn)有研究提出教學(xué)設(shè)計能力分析框架;使用爬蟲技術(shù)獲取北上廣深一線城市與“教學(xué)設(shè)計”相關(guān)的崗位數(shù)據(jù)，進(jìn)行分組、分詞等文本預(yù)處理，并使用分類器驗(yàn)證分類合理;依據(jù)教學(xué)設(shè)計分析能力框架和分詞結(jié)果構(gòu)建教學(xué)設(shè)計能力指標(biāo)體系與詞袋模型;建立能力分析雷達(dá)圖，呈現(xiàn)每類崗位能力需求的具體情況;并根據(jù)研究結(jié)果提出提供靈活的課程體系以滿足教學(xué)設(shè)計能力需求的模塊組合、豐富前沿領(lǐng)域的教學(xué)實(shí)踐以培養(yǎng)實(shí)戰(zhàn)能力等建議。

關(guān)鍵詞：文本挖掘;教學(xué)設(shè)計;能力指標(biāo);詞袋模型

中圖分類號：G420 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-8454（2019）23-0067-07

一、引言

杜華分析1982-2012年間與“教學(xué)設(shè)計”相關(guān)的國內(nèi)外文獻(xiàn)，指出國內(nèi)教學(xué)設(shè)計在應(yīng)用上僅限于學(xué)校范疇。[1]然而，教學(xué)設(shè)計的實(shí)際需求并不僅限于學(xué)校范疇，不論是一直存在的企業(yè)培訓(xùn)領(lǐng)域，還是已興起的在線教育、STEM教育領(lǐng)域，都體現(xiàn)出對教學(xué)設(shè)計的強(qiáng)烈需求，本研究使用的數(shù)千條與“教學(xué)設(shè)計”相關(guān)的崗位信息就是最有力的證據(jù)。本文以這些崗位信息為研究對象，綜合應(yīng)用教學(xué)設(shè)計能力和文本挖掘技術(shù)兩大領(lǐng)域的理論知識，挖掘當(dāng)下校外范疇的教學(xué)設(shè)計能力需求，對相關(guān)領(lǐng)域的學(xué)術(shù)研究及人才培養(yǎng)具有一定的指導(dǎo)意義。

二、理論依據(jù)與研究框架

1.教學(xué)設(shè)計能力

教學(xué)設(shè)計是連接教與學(xué)的理論與教學(xué)實(shí)踐的橋梁學(xué)科，試圖運(yùn)用系統(tǒng)方法尋找解決教學(xué)問題的最佳方案;[2]教學(xué)設(shè)計是一個系統(tǒng)過程，即把教與學(xué)的原理轉(zhuǎn)化到教學(xué)材料、教學(xué)計劃、教學(xué)過程等計劃方案中的過程。[3]上述兩個定義反映出教學(xué)設(shè)計的功能和宏觀研究對象，即連接教與學(xué)的理論和教學(xué)實(shí)踐的橋梁功能，涉及教與學(xué)理論、系統(tǒng)方法、計劃與過程等研究對象。為合理運(yùn)用各種理論、經(jīng)驗(yàn)，有效實(shí)現(xiàn)教學(xué)設(shè)計的功能，自然對相關(guān)從業(yè)者的教學(xué)設(shè)計能力提出了要求。

能力是完成一項目標(biāo)或者任務(wù)所體現(xiàn)出來的綜合素質(zhì)，從職業(yè)能力開發(fā)視角看，能力是知識、技能和態(tài)度與具體的職位或工作情境的結(jié)合。[4]因此，本研究認(rèn)為教學(xué)設(shè)計能力是相關(guān)從業(yè)者能夠依據(jù)相關(guān)理論或經(jīng)驗(yàn)，分析教學(xué)問題、組織教學(xué)資源、設(shè)計教學(xué)方案并進(jìn)行實(shí)施與改進(jìn)，最終解決教學(xué)問題所具備的知識、技能和態(tài)度的總和。

具體來說，知識方面，不僅包括學(xué)科專業(yè)知識，也包括教學(xué)理論、方法等內(nèi)容;技能方面，按照教學(xué)設(shè)計的流程可以分為分析能力、設(shè)計能力和評價能力，但從操作層面看，會涉及辦公軟件的使用、圖形處理、編程等具體技能;[5]態(tài)度方面，劉美鳳等將教學(xué)設(shè)計能力的態(tài)度方面分為重要性認(rèn)識、應(yīng)用意識、評價與反思意識以及終身學(xué)習(xí)意識四個維度，而態(tài)度包含認(rèn)知、情感和行為傾向三種成分，上述四個維度僅闡述了態(tài)度的認(rèn)知成分和行為傾向成分，因此需要添加情感成分（如喜歡、熱愛等）。[5]綜上，本研究依據(jù)的教學(xué)設(shè)計能力分析框架如圖1所示，后續(xù)將結(jié)合所使用的文本信息，依據(jù)知識、技能和態(tài)度三個維度及其子維度，提出具體的詞匯分類指標(biāo)。

2.文本挖掘技術(shù)

文本挖掘也稱文本數(shù)據(jù)挖掘，其主要目的是采用數(shù)據(jù)挖掘技術(shù)，從非結(jié)構(gòu)化或半結(jié)構(gòu)化的語言文本中提取出潛在有價值的、新穎的、可被理解的、重要的模式和知識。[6]文本挖掘的一般過程如2圖所示。本研究在文本分類驗(yàn)證研究、根據(jù)詞袋模型建立能力分析雷達(dá)圖的過程中均不同程度地運(yùn)用到圖2所示的研究步驟，不同之處主要體現(xiàn)在特定處理模式環(huán)節(jié)。

3.研究框架

本研究的框架如圖3所示。從網(wǎng)頁獲取的1450條職位信息作為文檔集，首先依據(jù)職位名稱分成三類，分別是教師/講師類、研發(fā)設(shè)計類以及職能類。為了驗(yàn)證分類是否合理，分別使用kNN、樸素貝葉斯、TF-IDF·樸素貝葉斯三種分類器進(jìn)行檢驗(yàn)，最終發(fā)現(xiàn)使用了樸素貝葉斯原理的分類器錯誤率穩(wěn)定，純樸素貝葉斯分類器的錯誤率最低，說明上述分類的每類文本呈現(xiàn)一定特征，分類可取。

接著，依據(jù)上述教學(xué)設(shè)計能力分析框架（見圖1），并結(jié)合具體高頻詞匯，提出知識儲備、設(shè)計分析能力、教學(xué)能力、溝通能力、管理能力、辦公軟件能力、計算機(jī)語言能力、圖形處理與設(shè)計、情感態(tài)度與個人素質(zhì)等9個指標(biāo)，每個指標(biāo)由若干詞匯構(gòu)成的詞袋模型表示。最后依據(jù)“能力指標(biāo)-詞袋模型”挖掘三類職位在9個指標(biāo)上的分布情況，并進(jìn)行解讀。

三、研究內(nèi)容

研究內(nèi)容具體包括文本預(yù)處理、分類器驗(yàn)證、建立能力指標(biāo)及詞袋模型、建立能力分析雷達(dá)圖等部分。

1.文本預(yù)處理

文本預(yù)處理包括數(shù)據(jù)準(zhǔn)備、文本清洗、分詞、特征選擇等過程。本研究使用的樸素貝葉斯分類器、TF-IDF·樸素貝葉斯分類器、kNN分類器，以及能力指標(biāo)-詞袋模型和能力分析雷達(dá)圖的建立均基于相同的文本獲取與預(yù)處理過程，現(xiàn)闡述如下。

（1）文本獲取與異常值處理

本研究在智聯(lián)招聘平臺上，以“教學(xué)設(shè)計”為關(guān)鍵詞，搜索得到北京、上海、廣州、深圳四個城市的崗位信息，借助Python爬蟲代碼將崗位信息獲取下來，每條數(shù)據(jù)包括崗位名稱、崗位職責(zé)/職位描述，以及該崗位的URL鏈接等信息。

異常值包括缺失值和重復(fù)值。由于部分網(wǎng)頁的結(jié)構(gòu)略有不同，直接獲取的數(shù)據(jù)中有30條左右的崗位職責(zé)/職位描述信息缺失，考慮到空缺信息量不大，且均是重要信息，就根據(jù)URL鏈接定位到具體的網(wǎng)頁，重新獲取相關(guān)信息。重復(fù)的數(shù)據(jù)有兩類，一類是內(nèi)容一樣，但URL鏈接不一樣，研究發(fā)現(xiàn)是同一家公司或機(jī)構(gòu)連續(xù)發(fā)布了幾條相同的招聘信息;另一類是內(nèi)容和URL均一樣，這可能是由于網(wǎng)頁更新引起的，這兩種情況均去掉重復(fù)的，保留一條，最終獲得1450條數(shù)據(jù)，其中崗位職責(zé)/職位描述等文本信息是本文的重點(diǎn)研究對象。

（2）文本清洗

（3）自定義詞典與分詞

本研究使用jieba分詞模塊，該分詞算法結(jié)合了基于規(guī)則和基于統(tǒng)計的分詞方法，同時還可以添加自定義詞典，適用性強(qiáng)。[7]研究特定領(lǐng)域的信息時，將該領(lǐng)域的專業(yè)詞匯識別出來至關(guān)重要，為了達(dá)到較好的分詞效果，需要建立自定義詞典，如將“教學(xué)設(shè)計”、“教育心理學(xué)”、“課程開發(fā)”、“教師資格證”等體現(xiàn)領(lǐng)域特色的詞匯加入自定義詞典，分詞結(jié)果就會呈現(xiàn)出這些詞匯，避免詞匯意義過度稀釋。

（4）停用詞表與特征選擇

停用詞表包含眾多語氣助詞、虛詞、特殊符號，以及眾多無意義的詞匯，如“的”、“用于”、“至于”等，使用停用詞表可以在分詞的基礎(chǔ)上去掉這些無意義的詞匯。同時，多次觀察分詞結(jié)果，可將更多與研究主題無關(guān)的詞匯添加到停用詞表中，如“薪資”、“周末”、“地點(diǎn)”等，以利于特征詞匯呈現(xiàn)，減小特征向量的長度。

最終分詞后得到8188個不同詞匯，這些詞匯構(gòu)成詞匯列表V=[v1，v2，…，v8188]，同時用一個長度為1450的列表CL存儲各文檔的類型標(biāo)簽，若三類職位分別標(biāo)注為A、B、C，則CL[ci] （ci∈（A，B，C），i=1，2，…，1450）。

2.使用分類算法檢驗(yàn)分類可行性

為了更有針對性地分析能力需求，根據(jù)職位名稱將與教學(xué)設(shè)計相關(guān)的崗位信息分成了“教師/講師類”、“研發(fā)設(shè)計類”以及“職能類”三種，為了驗(yàn)證這種類型是否合理，使用監(jiān)督型分類器進(jìn)行驗(yàn)證，即通過學(xué)習(xí)訓(xùn)練集中的數(shù)據(jù)，建立一定模型，再用該模型對測試集中的數(shù)據(jù)進(jìn)行分類，如果錯誤率較低且穩(wěn)定，就說明各類型的文檔呈現(xiàn)一定特征，分類可取，各類型的具體特征有挖掘的價值。筆者試驗(yàn)了多種分類器，最終發(fā)現(xiàn)使用了貝葉斯原理的分類器滿足要求。

對于第i個文檔di，根據(jù)詞匯列表V統(tǒng)計該文檔中出現(xiàn)相應(yīng)詞匯的出現(xiàn)次數(shù)，存入一個新的列表Wi，作為該文檔的特征向量，即Wi=[wi，k] （k=1，2，…，8188），稱Wi為文檔di的基于詞匯頻數(shù)的特征向量。1450個文檔構(gòu)成一個1450×8188的矩陣，用M0表示，即M0=[Wi]=[[wi，k]] （i=1，2，…，1450;k=1，2，…，8188）。分類器將矩陣M0的數(shù)據(jù)按一定比例隨機(jī)分成訓(xùn)練集和測試集，并結(jié)合類標(biāo)簽列表CL[ci]建立相應(yīng)模型。

（1）kNN分類器

k-近鄰算法（kNN）采用測量不同特征值之間的距離方法進(jìn)行分類，即計算出待分類數(shù)據(jù)與每個訓(xùn)練數(shù)據(jù)的距離，從中選出k個最小的距離所對應(yīng)的樣本數(shù)據(jù)，統(tǒng)計這k個樣本數(shù)據(jù)中出現(xiàn)次數(shù)最多的分類，就作為待分類數(shù)據(jù)的分類，本研究有三個類別，所以k取4。[8]

數(shù)據(jù)之間的距離可以采用兩個向量的余弦相似度表示，對于文檔di和dj，其詞向量是Wi=[wi，k] （k=1，2，…，8188），Wj=[wj，k]? （k=1，2，…，8188），其余弦相似度公式如式（1）所示：

Sim（di，dj）==（1）

其中Wi·Wj表示兩個向量的點(diǎn)乘，|Wi|·|Wj|表示向量的模的乘積。余弦相似度越高，即Sim（di，dj）的值越接近1，表示兩個向量更有可能屬于同一類。

歐式距離公式如式（2）所示：

dis（di，dj）=|Wi-Wj|=（2）

其中Wi-Wj是向量對應(yīng)項相減的結(jié)果，也是一個向量。本研究在矩陣M0的基礎(chǔ)上分別使用上述兩種距離公式進(jìn)行了kNN分類驗(yàn)證，理論上兩種kNN分類器的效果等價。

（2）樸素貝葉斯分類器

樸素貝葉斯分類器是基于條件概率的分類方法，該算法假設(shè)各特征之間相互獨(dú)立。根據(jù)貝葉斯準(zhǔn)則，可以交換條件概率的條件和結(jié)論，從而達(dá)到用先驗(yàn)概率和條件概率計算后驗(yàn)概率的目的。對于待分類文檔W，其屬于類型ci的后驗(yàn)概率如式（3）所示：

P（ci│W）=（3）

其中P（ci）是類型為ci的先驗(yàn)概率，P（W│ci）是類型ci發(fā)生的條件下，文檔W發(fā)生的條件概率，根據(jù)這個公式計算出文檔W屬于各個類型的后驗(yàn)概率，取后驗(yàn)概率最大的類型為判斷結(jié)果。在實(shí)際應(yīng)用中，用訓(xùn)練集中的數(shù)據(jù)訓(xùn)練出每個條件概率P（W│ci）和先驗(yàn)概率P（ci），據(jù)此再對訓(xùn)練集中的數(shù)據(jù)進(jìn)行分類。

（3）TF-IDF·樸素貝葉斯分類器

為了尋找更理想的分類器，筆者將TF-IDF理論與樸素貝葉斯理論結(jié)合起來構(gòu)建了新的分類器，與上述純樸素貝葉斯算法的不同之處在于，每個文檔的特征向量采用TF-IDF表示，而不是詞匯頻數(shù)。其中，TF（Term Frequency，特征項詞頻）是詞語在文檔中的詞頻，即詞匯在某一文檔中出現(xiàn)的頻數(shù)與該文檔總詞匯數(shù)的比值，TF的作用主要是抵消文本長度不一（過長或過短）帶來的影響，使詞匯在同等條件下進(jìn)行對比。IDF（Inverse Document Frequency，逆文檔頻率）表示為文檔總數(shù)目與該詞匯出現(xiàn)的文檔數(shù)目的比值取對數(shù)。[9]IDF的主要思想是，如果一個詞匯在一個文本中出現(xiàn)頻率很高，而在其他文本中出現(xiàn)頻率很低，該詞匯就具有較高的類別區(qū)分能力，應(yīng)給予更高權(quán)重。[10]

對于文檔di的第k個詞匯vk，其特征值wdi，k用TF-IDF計算的公式如式（4）所示：

wdi，k=tfdi，k·log

=·log

（4）

其中wdi，k是特征項的權(quán)重，tfdi，k=是詞匯vk在文本di中出現(xiàn)的頻率，即文檔di中該詞匯的頻數(shù)wi，k與該文檔所有詞匯數(shù)的比值，N=1450是總文檔數(shù)，nk是包含詞匯vk的文檔數(shù)。由wdi，k（k=1，2，…，8188）構(gòu)成新的特征向量Wdi=[Wdi，k ]（k=1，2，…，8188），進(jìn)而形成新的特征矩陣M1=[Wdi]=[[wdi，k]]（i=1，2，…，1450;j=1，2，…，8188），在M1的基礎(chǔ)上繼續(xù)使用樸素貝葉斯分類算法即可。

3.建立能力指標(biāo)體系及詞袋模型

（1）建立教學(xué)設(shè)計能力指標(biāo)體系

從教學(xué)設(shè)計能力的知識、態(tài)度和情感三個一級維度，以及七個二級維度（見圖1）出發(fā)考察詞匯列表V=[v1，v2，…，v8188]中的詞匯，提煉出9個能力指標(biāo)——知識儲備、設(shè)計分析能力、教學(xué)能力、溝通能力、辦公類軟件能力、計算機(jī)語言能力、圖形處理與設(shè)計、管理能力、情感態(tài)度與個人素質(zhì)。9個指標(biāo)的分布如圖4所示。

對比圖1的能力分析框架，能力指標(biāo)體系對維度1（知識）和維度3（態(tài)度）分別設(shè)置了一個指標(biāo)，而維度2（技能）根據(jù)其子維度衍生出了5個指標(biāo)。如此設(shè)置主要有以下三點(diǎn)考慮：①知識維度包含學(xué)科專業(yè)知識和教學(xué)理論方法兩個子維度，理想情況下每個子維度就可對應(yīng)一個指標(biāo)，但實(shí)際上屬于“教學(xué)理論方法”的詞匯偏少，因此沒有必要單獨(dú)設(shè)置指標(biāo)，可以直接從一級維度引申出指標(biāo)1“知識儲備”;②分詞損失了語境信息，漢語詞匯本身又可能具備多種詞性，這使對詞匯的從屬判斷有很強(qiáng)的主觀性，如態(tài)度維度下的“認(rèn)知”和“行為傾向”類詞匯就很難選擇，相對而言，反映態(tài)度的詞匯很容易甄別出來，且數(shù)量可觀，因此就用指標(biāo)9“情感態(tài)度與個人素質(zhì)”來反映態(tài)度維度;③對于職位信息來說，職業(yè)技能是重點(diǎn)考察對象，因此這方面的詞匯確實(shí)更加豐富，類型也比較明顯，因此依次根據(jù)“專業(yè)技能”衍生出指標(biāo)2“分析設(shè)計能力”、指標(biāo)3“教學(xué)能力”、指標(biāo)4“溝通能力”和指標(biāo)5“管理能力”，根據(jù)“計算機(jī)技能”衍生出指標(biāo)6“辦公軟件能力”、指標(biāo)7“計算機(jī)語言能力”以及指標(biāo)8“圖形處理與設(shè)計”。

（2）建立能力指標(biāo)的詞袋模型

詞袋模型不考慮文本的詞序、語言、句法等信息，而將文本簡單地看成詞匯的集合，且每個詞匯相互獨(dú)立，這一模型在文本挖掘領(lǐng)域廣泛使用。[11]詞匯列表中有眾多低頻詞匯是沒有必要考察的，因此本研究將詞匯按照詞匯總頻數(shù)排序后，從排名10%以內(nèi)的高頻詞匯，即前818個詞匯中選取適合的詞匯構(gòu)建能力指標(biāo)的詞袋模型，詞袋模型展示如表1所示（因篇幅所限，有的指標(biāo)只呈現(xiàn)部分詞匯）。為了可視化職位能力在不同指標(biāo)上的分布情況，需要建立能力指標(biāo)向量，能力指標(biāo)向量就是基于表1所述詞袋模型，對各類文檔的詞匯進(jìn)行統(tǒng)計和一定計算的結(jié)果。

4.三種指標(biāo)向量與雷達(dá)圖設(shè)計

（1）計算各類文檔的三種能力指標(biāo)向量

用雷達(dá)圖呈現(xiàn)每類職位在各能力指標(biāo)上的分布情況，需要計算每類職位在各能力指標(biāo)上的特征值，9個能力指標(biāo)對應(yīng)9個特征值，9個特征值就構(gòu)成該類職位的指標(biāo)向量?；谏鲜瞿芰χ笜?biāo)的詞袋模型，本研究提出了三種指標(biāo)向量的計算方法，以ci類文檔為例：

①基于詞頻數(shù)的指標(biāo)向量R0

ci=[r0，1

ci，r0，2

ci，…，r0，9

ci]

基于詞頻數(shù)，即各指標(biāo)的特征值是相應(yīng)詞袋中的詞匯在該類文檔中出現(xiàn)的總次數(shù)。比如對于指標(biāo)1，其特征值r0，1

ci是其相應(yīng)詞袋模型中“專業(yè)知識”、“師范類”等詞匯在ci類文檔出現(xiàn)的總次數(shù)，同理得到r0，2

ci，…，r0，9

ci。

②基于詞匯權(quán)重的指標(biāo)向量R1

ci=[r1，1

ci，r1，2

ci，…，r1，9

ci]

對基于詞頻數(shù)的指標(biāo)向量R0

ci進(jìn)行歸一化就得到了基于詞匯權(quán)重的指標(biāo)向量R1

ci，即R1

ci=。對每個特征項而言，r1，1

ci=，r1，2

ci=，…，r1，9

ci=，其中Sum（R0

ci）是對R0

ci各項求和，因此r1，1

ci，r1，2

ci，…，r1，9

ci均是小于1的浮點(diǎn)數(shù)。

③基于平均水平的指標(biāo)向量R2

ci=[r2，1

ci，r2，2

ci，…，r2，9

ci]

在所有的職位信息中，教師/講師類文檔有681個，占總文檔數(shù)的46.97%;研發(fā)設(shè)計類有380個文檔，占26.20%;職能類有389個文檔，占26.83%。由于各類文檔數(shù)量不一致，統(tǒng)計各指標(biāo)下的詞匯數(shù)量肯定有差異，為了消除文本數(shù)量引起的差異，可以將該類文檔的各指標(biāo)下的詞匯數(shù)量（R0

ci）與該類文檔數(shù)（nci）的比值作為新的指標(biāo)向量，即R2

ci=R0

ci/nci。該比值的含義是該類文檔每個指標(biāo)的平均水平。

（2）兩種能力分析雷達(dá)圖的設(shè)計

如上所述，基于詞匯權(quán)重的指標(biāo)向量R1

ci，與基于平均水平的指標(biāo)向量R2

ci都是在基于詞頻數(shù)的指標(biāo)向量R0

ci的基礎(chǔ)上建立的。能力分析雷達(dá)圖只能使用R1

ci或R2

ci進(jìn)行構(gòu)建，而不能直接使用R0

ci進(jìn)行構(gòu)建，因?yàn)镽0

ci沒有消除各類文檔數(shù)目不同帶來的影響;基于R1

ci（權(quán)重）構(gòu)建雷達(dá)圖，反映的是同類文檔9個能力指標(biāo)之間的差異;基于R2

ci（平均值）構(gòu)建的雷達(dá)圖，可反映各能力指標(biāo)下，不同類文檔之間的差異。換句話說，前者反映的是同類文檔的內(nèi)部差異，即該類文檔對各能力指標(biāo)的需求差異;而后者反映的是文檔之間的外部差異，即各類文檔對特定能力指標(biāo)的需求差異。

四、研究結(jié)果與解讀

1.分類器驗(yàn)證結(jié)果展示與解讀

分類器通過學(xué)習(xí)訓(xùn)練集中的數(shù)據(jù)建立相應(yīng)模型，然后根據(jù)模型對測試集中的數(shù)據(jù)進(jìn)行分類，理想情況下訓(xùn)練集的數(shù)據(jù)越大，訓(xùn)練的模型越準(zhǔn)確。本研究將總數(shù)據(jù)分別按照0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09、0.1、0.2、0.3、0.4、0.5的比例隨機(jī)抽取出數(shù)據(jù)組成測試集，剩下的數(shù)據(jù)組成訓(xùn)練集，進(jìn)行測試并輸出錯誤率。每種情況測試10次取平均值作為該情況下的錯誤率，各分類器的錯誤率如圖5所示。

從圖5可以看出基于歐式距離與基于余弦相似度的kNN算法效果幾乎等價，這在意料之中，兩者錯誤率均圍繞在75%上下，比使用了貝葉斯原理的算法高得多，筆者認(rèn)為產(chǎn)生這種情況的原因在于，特征項數(shù)目眾多（8188），并非所有特征項都具有很好的區(qū)分度，將每個特征項的差異“累加”起來的算法，誤差會比較大。若還要使用kNN算法對文本進(jìn)行分類，可以考慮采取一些聚類措施，降低特征向量的維度。本研究使用分類器的目的不是改進(jìn)分類算法，而是找到合適的分類模型證明對職位進(jìn)行的三種分類是合理的，因此不再深入闡述算法。

再觀察使用貝葉斯原理的兩種分類算法，純樸素貝葉斯分類器錯誤率圍繞在20%左右，TF-IDF·樸素貝葉斯分類器錯誤率維持在30%左右，使用的TF-IDF原理的分類器比純樸素貝葉斯分類器的錯誤率稍高，根據(jù)TF-IDF的原理，筆者認(rèn)為原因在于：①本研究使用的每條數(shù)據(jù)的長度基本相同，所以使用TF的意義不大;②盡管按照職位名稱分成了三類，但其工作極可能是圍繞相同的對象展開不同方面的工作，所以職位信息中呈現(xiàn)出來的詞匯有一定的相似度，因此IDF（逆文檔頻率）的作用發(fā)揮有限，所以錯誤率反而比純樸素貝葉斯分類器的稍高。但整體來說，這兩個分類器錯誤率比較低且穩(wěn)定，說明分類可取，每類職位具有一定特征，具有深度挖掘的價值。

從實(shí)際的角度出發(fā)，教學(xué)設(shè)計工作圍繞“教學(xué)”這個核心工作展開，也離不開技術(shù)支持以及應(yīng)運(yùn)而生的管理工作;從理論的角度出發(fā)，IBSTPI國際教學(xué)設(shè)計標(biāo)準(zhǔn)最新版（2013年）將教學(xué)設(shè)計領(lǐng)域細(xì)化為教學(xué)設(shè)計專家、分析師或評估員、教學(xué)管理者以及教育技術(shù)專家四類人員參與，將該標(biāo)準(zhǔn)與本研究進(jìn)行對比，可以發(fā)現(xiàn)教師/講師類可以對應(yīng)教學(xué)設(shè)計專家，研發(fā)設(shè)計類對應(yīng)教育技術(shù)專家，職能類對應(yīng)教學(xué)管理者，而分析師或評論員的能力在三種職位中均有不同程度的體現(xiàn);[12]再結(jié)合分類器的驗(yàn)證結(jié)果，可見將與教學(xué)設(shè)計相關(guān)的職位劃分為教師/講師類、研發(fā)設(shè)計類以及職能類是合理的，這啟示我們可以從這三個角度出發(fā)，理解教學(xué)設(shè)計能力所包含的能力屬性。

2.能力分析雷達(dá)圖與能力指標(biāo)解讀

（1）基于R1

ci的能力分析雷達(dá)圖

對每類職位，用R1

ci（基于權(quán)重的指標(biāo)向量）構(gòu)建的指標(biāo)矩陣結(jié)果如表2所示：

用表2生成的能力分析雷達(dá)圖如圖6所示。

從圖6可以看出，在9個能力指標(biāo)中，教師/講師類崗位對“情感態(tài)度和個人素質(zhì)”和“教學(xué)能力”的需求很突出，其次是“管理能力”、“分析設(shè)計能力”與“溝通能力”，對計算機(jī)能力的要求不高;研發(fā)設(shè)計類對“分析設(shè)計”能力的需求最突出，其次是“計算機(jī)語言能力”和“管理能力”;職能類崗位對“管理能力”的需求最為突出，其次是“分析設(shè)計能力”以及“教學(xué)能力”。

整體來看，三類崗位的“知識儲備”與計算機(jī)類的能力并沒有十分突出，而實(shí)際上這三種指標(biāo)是非常重要的能力，筆者認(rèn)為出現(xiàn)這種情況的原因是：①崗位招聘類的信息重點(diǎn)在于實(shí)用的技能上，“知識儲備”的詞匯不容易反映出來，所以整體上數(shù)量偏小，但這并不能說明知識儲備不重要，畢竟“實(shí)用的技能”是建立在“知識儲備”的基礎(chǔ)上，因此該詞袋模型有改進(jìn)的空間，可以考慮建立“知識儲備”與實(shí)用技能間的關(guān)聯(lián)性，進(jìn)而提高“知識儲備”類詞匯的表現(xiàn)力;②計算機(jī)類能力的詞袋規(guī)模相對較小，比如“辦公軟件能力”的詞袋只有“ppt、辦公軟件、office、word、excel”這5個詞匯，實(shí)際上每個詞匯出現(xiàn)的次數(shù)還是比較多的，但累加起來還是比不過詞袋中詞匯本身就多的能力指標(biāo)，如指標(biāo)5“管理能力”和指標(biāo)9“情感態(tài)度與個人素質(zhì)”，但這個影響在基于R2

ci的能力分析雷達(dá)圖中已經(jīng)得到改善，詳見下述分析。

（2）基于R2

ci的能力分析雷達(dá)圖

對每類職位，用R2

ci（基于平均水平的指標(biāo)向量）構(gòu)建的指標(biāo)矩陣結(jié)果如表3所示。

用表3生成的能力分析雷達(dá)圖如圖7所示。

從圖7可以看出，在9個能力指標(biāo)中，教師/講師類排第一名的有“知識儲備”、“教學(xué)能力”、“溝通能力”、“情感態(tài)度與個人素質(zhì)”，這符合對教師的一般認(rèn)知;研發(fā)設(shè)計類排第一名的有“設(shè)計分析能力”、“辦公軟件能力”、“計算機(jī)語言能力”以及“圖形處理與設(shè)計能力”，其中“計算機(jī)語言能力”主要指的是編程能力，“圖形處理與設(shè)計”屬于界面設(shè)計領(lǐng)域，這反映出與教育軟件、教育應(yīng)用程序（APP）、教育動畫與課件等教學(xué)產(chǎn)品息息相關(guān);職能類崗位的“管理能力”位列第一，可以認(rèn)為教育產(chǎn)品的開發(fā)、教學(xué)工作的展開離不開優(yōu)秀的管理能力，IBSTPI新標(biāo)準(zhǔn)把管理能力單獨(dú)設(shè)為一個領(lǐng)域，這意味著管理能力在教學(xué)設(shè)計的發(fā)展中日趨重要。[12]總之，該雷達(dá)圖的呈現(xiàn)結(jié)果是很理想的，正好反映出了各類職位能力需求的特點(diǎn)。

IBSTPI教學(xué)設(shè)計能力新標(biāo)準(zhǔn)有五個能力領(lǐng)域——“專業(yè)基礎(chǔ)領(lǐng)域”、“計劃與分析領(lǐng)域”、“設(shè)計與開發(fā)領(lǐng)域”、“評價與實(shí)施領(lǐng)域”以及“管理領(lǐng)域”，并在每個領(lǐng)域中將能力標(biāo)準(zhǔn)又分為教學(xué)設(shè)計時必須掌握的基本能力、高水平或?qū)＜倚偷母呒壞芰?，以及作為設(shè)計或教學(xué)項目所需掌握的管理能力，這三級能力有不同程度的交叉、滲透，這與上述研究結(jié)果有異曲同工之妙。[12]本研究提出的9個指標(biāo)雖不及IBSTPI教學(xué)設(shè)計能力新標(biāo)準(zhǔn)（包含5大領(lǐng)域、22項標(biāo)準(zhǔn)及105個子條目）的內(nèi)容豐富，但卻是實(shí)際應(yīng)用中有了迫切需求的具體能力，不僅不同程度地反映了各能力領(lǐng)域的要求，比起龐大的新標(biāo)準(zhǔn)體系，也具有靈活性、實(shí)用性和指導(dǎo)性。[12]整體而言，這9個能力指標(biāo)反映出當(dāng)前教學(xué)設(shè)計實(shí)踐領(lǐng)域的復(fù)雜性，一個人要全面掌握這些能力似乎比較勉強(qiáng)，但可據(jù)此準(zhǔn)確定位自己的發(fā)展方向，對相關(guān)能力進(jìn)行專項培養(yǎng)。

五、總結(jié)與展望

本研究首先依據(jù)相關(guān)研究提出教學(xué)設(shè)計能力分析框架，再對數(shù)千條崗位信息進(jìn)行分類，并在用貝葉斯分類器證明分類合理的情況下，建立能力指標(biāo)體系和詞袋模型，深度挖掘各類崗位的能力需求，最終以雷達(dá)圖的形式進(jìn)行可視化呈現(xiàn)與解讀，為教學(xué)設(shè)計能力的研究提供一定新思路，也對相關(guān)專業(yè)的人才培養(yǎng)有一定的啟發(fā)：①提供靈活的課程體系，以滿足教學(xué)設(shè)計能力需求的模塊組合。具體而言，既包括教學(xué)設(shè)計、教育心理學(xué)等培養(yǎng)教學(xué)能力的基礎(chǔ)專業(yè)課程，也包括將相關(guān)的信息技術(shù)運(yùn)用到教學(xué)或教學(xué)管理的應(yīng)用型課程，以及與教育管理相關(guān)的課程。這些課程又可以劃分為必修課程和選修課程，學(xué)生在學(xué)習(xí)基礎(chǔ)課程、培養(yǎng)基本的教學(xué)素質(zhì)的基礎(chǔ)上，可以根據(jù)自己的興趣和特長選擇研發(fā)技術(shù)類或管理類的課程，進(jìn)一步培養(yǎng)專業(yè)素質(zhì)，提高競爭力。②豐富前沿領(lǐng)域的教學(xué)實(shí)踐，培養(yǎng)實(shí)戰(zhàn)能力?？膳c中小學(xué)或企業(yè)合作，建立創(chuàng)客、STEM、人工智能等前沿領(lǐng)域教學(xué)項目，讓學(xué)生參與教案/學(xué)案設(shè)計、授課、教學(xué)產(chǎn)品研發(fā)、項目管理與運(yùn)營等工作，有針對性地培養(yǎng)各方面的能力。

另外，本研究也有繼續(xù)改進(jìn)的空間：①分詞技術(shù)損失了語法、語境等信息，使很多詞匯變得沒有意義，后續(xù)研究可以關(guān)注如何減弱這種損失;②關(guān)于能力指標(biāo)與詞袋模型，可以挖掘不同能力指標(biāo)之間的關(guān)聯(lián)程度，如上述“知識儲備”與實(shí)用技能之間的關(guān)聯(lián)性，進(jìn)而構(gòu)建更加合理的能力指標(biāo)-詞袋模型。

參考文獻(xiàn)：

[1]杜華.國際教學(xué)設(shè)計研究三十年[J].開放教育研究，2013（5）：79-86.

[2]Kemp Jerrold E.The instructional design process.New York，Haper and Row，1985.

[3]Patricia L.Smith，Tillman J.Ragan.Instructional Design.3rd Edition， Hoboken，John Wiley & Sons，2004.

[4]吳曉義，杜曉穎.能力概念的多維透視[J].吉林工程技術(shù)師范學(xué)院學(xué)報，2006（4）：1-5.

[5]劉美鳳，康翠，董麗麗.教學(xué)設(shè)計研究：學(xué)科的視角[M].北京：北京師范大學(xué)出版社，2018：13，12.

[6]Mashechkin I. V. ，Petrovskiy M. I. ，Popov D. S. ，et al.Applying text mining methods for data loss prevention[J].Programming and Computer Software，2015， 41（1）：23-30.

[7]李夢杰，劉建國，郭強(qiáng)，李仁德，湯曉雷.基于文本挖掘的互聯(lián)網(wǎng)教育課程主題發(fā)現(xiàn)與聚類研究[J].上海理工大學(xué)學(xué)報，2018（3）：259-266.

[8]Harrington P.著，李銳等譯.機(jī)器學(xué)習(xí)實(shí)戰(zhàn)[M].北京：人民郵電出版社，2013.6：15.

[9]葉雪梅，毛雪岷，夏錦春，王波.文本分類TF-IDF算法的改進(jìn)研究[J].計算機(jī)工程與應(yīng)用，2019（2）：104-109，161.

[10]陳朔鷹，金鎮(zhèn)晟.基于改進(jìn)的TF-IDF算法的微博話題檢測[J].科技導(dǎo)報，2016（2）：282-286.

[11]袁桂霞，周先春.基于多媒體信息檢索的有監(jiān)督詞袋模型[J].計算機(jī)工程與設(shè)計，2018（9）：2873-2878.

[12]方向，盛群力.IBSTPI國際教學(xué)設(shè)計能力新標(biāo)準(zhǔn)述要——教學(xué)設(shè)計師專業(yè)化發(fā)展的一種圖景[J].遠(yuǎn)程教育雜志，2015（3）：82-87.

（編輯：王天鵬）